Heim > Artikel > Backend-Entwicklung > PHP-Crawler-Praxis: So crawlen Sie Webtabellendaten
Mit dem Aufkommen des Internets und des Big-Data-Zeitalters können immer mehr Daten gesammelt und genutzt werden. Unter den vielen Methoden zum Abrufen von Daten aus Webseiten kann man sagen, dass die Crawler-Technologie die leistungsstärkste und effizienteste ist.
In tatsächlichen Anwendungsszenarien müssen wir häufig bestimmte Daten von Webseiten abrufen, insbesondere Tabellendaten auf Webseiten. Daher wird in diesem Artikel erläutert, wie Sie mithilfe der PHP-Crawler-Technologie Tabellendaten auf Webseiten abrufen und analysieren.
Bevor wir mit dem Schreiben von Crawler-Code beginnen, müssen wir eine PHP-Crawler-Bibliothek installieren und konfigurieren. Hier entscheiden wir uns für die Verwendung der PHP Simple HTML DOM Parser-Bibliothek, einem leichten HTML-Parser, der Tags und Attribute in HTML-Dokumenten einfach analysieren kann und einige häufig verwendete DOM-Operationsmethoden bereitstellt. Die Bibliothek kann einfach mit dem Composer-Tool installiert und konfiguriert werden.
Bevor wir den Code zum Erfassen von Webseitendaten schreiben, müssen wir zunächst die Struktur und das Datenformat der Zielwebseite analysieren, damit wir die erforderlichen Daten korrekt finden und abrufen können. Hier nehmen wir die Artikellistenseite einer Blog-Website als Beispiel. Sie enthält mehrere Datenzeilen und einige Tabellenelemente, wie unten gezeigt:
<table> <thead> <tr> <th>编号</th> <th>标题</th> <th>作者</th> <th>发布时间</th> </tr> </thead> <tbody> <tr> <td>1</td> <td><a href="/articles/1">PHP爬虫实战</a></td> <td>张三</td> <td>2022-06-01 08:00:00</td> </tr> <tr> <td>2</td> <td><a href="/articles/2">Python数据可视化</a></td> <td>李四</td> <td>2022-06-02 09:00:00</td> </tr> <!-- more rows --> </tbody> </table>
Die Tabelle auf dieser Webseite besteht aus f5d188ed2c074f8b944552db028f98a1code>, Es besteht aus Tags wie <code>ae20bdd317918ca68efdc799512a9b39
, 92cee25da80fac49f6fb6eec5fd2c22a
und a34de1251f0d9fe1e645927f19a896e8
, darunter ae20bdd317918ca68efdc799512a9b39
wird verwendet, um die Spaltenüberschriften der Tabelle zu definieren, 92cee25da80fac49f6fb6eec5fd2c22a
wird verwendet, um die Zeilendaten der Tabelle zu definieren, b6c5a531a458a2e790c1fd6421739d1c code> wird verwendet, um die Zelldaten zu definieren, und <code> Das 3499910bf9dac5ae3c52d5ede7383485
-Tag stellt den Link zum Artikeltitel dar. f5d188ed2c074f8b944552db028f98a1
、ae20bdd317918ca68efdc799512a9b39
、92cee25da80fac49f6fb6eec5fd2c22a
和a34de1251f0d9fe1e645927f19a896e8
等标签组成,其中ae20bdd317918ca68efdc799512a9b39
用于定义表格的列头,92cee25da80fac49f6fb6eec5fd2c22a
用于定义表格的行数据,b6c5a531a458a2e790c1fd6421739d1c
用于定义单元格数据,而3499910bf9dac5ae3c52d5ede7383485
标签则表示文章标题的链接。
有了目标网页的分析结果,我们就可以编写爬虫代码来获取表格数据了。
首先,我们需要加载目标网页,然后使用file_get_html()
方法将其转换成DOM对象。接着,我们可以使用find()
方法来选择数据所在的元素,例如table > tbody > tr
表示选择f5d188ed2c074f8b944552db028f98a1
的子元素92cee25da80fac49f6fb6eec5fd2c22a
下的所有a34de1251f0d9fe1e645927f19a896e8
标签,即表格的所有行数据。代码如下:
$url = 'http://example.com/articles'; $html = file_get_html($url); $rows = array(); foreach ($html->find('table > tbody > tr') as $row) { // 解析表格数据 }
然后,我们需要遍历每一行数据,解析其中的单元格数据并将其保存到数组中,以便后续处理。具体来说,我们可以使用find('td')
方法来选择每个行元素的子元素b6c5a531a458a2e790c1fd6421739d1c
,然后获取其文本内容或链接地址。代码如下:
$url = 'http://example.com/articles'; $html = file_get_html($url); $rows = array(); foreach ($html->find('table > tbody > tr') as $row) { $data = array(); // 获取单元格文本内容或链接地址 $columns = $row->find('td'); $data['id'] = $columns[0]->plaintext; $data['title'] = $columns[1]->find('a', 0)->plaintext; $data['link'] = $columns[1]->find('a', 0)->href; $data['author'] = $columns[2]->plaintext; $data['date'] = $columns[3]->plaintext; $rows[] = $data; }
上述代码中,$data
数组保存当前行的数据,其中id
、title
、author
和date
分别对应表格的列,而link
则是文章标题的链接地址。使用$rows[] = $data
语句将$data
数组添加到$rows
file_get_html()
in ein DOM-Objekt konvertieren. Dann können wir die Methode find()
verwenden, um das Element auszuwählen, in dem sich die Daten befinden. Beispielsweise bedeutet table > ;table>
Alle a34de1251f0d9fe1e645927f19a896e8
-Tags unter dem untergeordneten Element 92cee25da80fac49f6fb6eec5fd2c22a
, also alle Datenzeilen in der Tabelle. Der Code lautet wie folgt: Dann müssen wir jede Datenzeile durchlaufen, die Zelldaten analysieren und sie zur späteren Verarbeitung in einem Array speichern. Konkret können wir die Methode find('td')
verwenden, um das untergeordnete Element b6c5a531a458a2e790c1fd6421739d1c
jedes Zeilenelements auszuwählen und dann dessen Textinhalt oder Linkadresse abzurufen . Der Code lautet wie folgt:
$data
die Daten der aktuellen Zeile, darunter id
, title code>, <code>author
und date
entsprechen jeweils den Spalten der Tabelle, und link
ist die Linkadresse des Artikeltitels. Verwenden Sie die Anweisung $rows[] = $data
, um das Array $data
zum Array $rows
hinzuzufügen. 🎜🎜Schließlich können wir die Daten entsprechend unseren Bedürfnissen weiterverarbeiten und speichern, z. B. indem wir die Daten in einer Datenbank speichern oder in eine Excel-Datei exportieren. 🎜🎜🎜Zusammenfassung🎜🎜🎜In diesem Artikel wird erläutert, wie Sie die PHP Simple HTML DOM Parser-Bibliothek zum Crawlen von Webtabellendaten verwenden. Durch die Analyse der Struktur und des Datenformats der Zielwebseite und die Verwendung der entsprechenden DOM-Betriebsmethoden können wir die erforderlichen Daten schnell finden und abrufen und so verschiedene Datenanalyse- und Anwendungsszenarien realisieren. Natürlich muss die Crawler-Technologie auch auf die Einhaltung der Nutzungsbestimmungen und -richtlinien der Website achten und darf die Rechte anderer nicht überbeanspruchen oder verletzen. 🎜
Das obige ist der detaillierte Inhalt vonPHP-Crawler-Praxis: So crawlen Sie Webtabellendaten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!